一、基于多元统计投影方法的过程监控技术研究（论文文献综述）
戴絮年[1]（2021）在《基于多元统计分析的工业过程故障检测与诊断方法研究》文中研究说明随着信息化和工业化的深度结合,工业系统的自动化、复杂化、智能化水平进一步提高。同时,工业系统故障检测与诊断技术也取得了长足进展。基于多元统计分析的故障检测与诊断方法凭借系统过程数据即可实现过程监控,因此该方法逐渐成为众多学者的研究方向。本文主要探讨研究了具有非线性、多模态、动态性等特征的工业系统的过程监控问题。本文的主要研究内容概括如下:（1）针对化工生产中的多模态故障检测问题,提出了局部预测主元分析（LP-PCA）的故障检测方法。首先,对训练样本进行局部预测并应用PCA将局部预测样本和训练样本映射到预测空间;然后,在预测空间中计算出训练样本与预测样本的差异信息;接下来,在两个预测子空间中建立新的统计量监控样本的状态。最后,对检测出的故障样本进行诊断分析。LP-PCA方法能消除离群值对PCA降维时的影响。差异信息能够将微弱故障放大,同时新的统计量检测效果比传统的统计量更优越。将LP-PCA方法与传统PCA方法在数值例子和化工过程中进行测试,实验结果验证了LP-PCA方法的有效性。（2）针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法（DPCA-Diss）。首先,应用DPCA计算动态过程数据的残差得分,接下来,应用滑动窗口技术并结合互异度指标来监控过程残差得分状态,最后,利用基于变量贡献图的方法进行过程故障诊断分析。本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差,可以有效地对具有自相关性的残差得分进行过程状态监控。通过一个数值例子和TE过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性。（3）针对非线性过程的故障检测问题,提出一种基于邻域保持嵌入的非线性过程故障检测方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。最后,在差分子空间中建立新的统计量对样本进行过程监控。将该方法在数值例子和TE过程中进行测试,并与PCA、KNN和NPE等传统方法进行对比分析,测试结果验证了该方法的有效性。（4）针对多模态间歇过程在线故障检测问题,提出一种基于多向邻域保持嵌入和高斯混合模型的故障检测方法（MNPE-GMM）。首先,采用默认的窗宽获得窗口数据。接下来,应用MNPE计算当前窗口数据的得分。然后,利用GMM确定得分的高斯元。最后,提出了一种新的监控指标来监测过程状态。MNPE-GMM不仅能在特征子空间中保持窗口数据集的大部分局部结构信息,还能降低GMM在故障检测过程中的计算复杂度。MNPE-GMM方法通过引入新的统计量,可以有效地提高多模态间歇过程的故障检测率。通过数值例子和半导体刻蚀过程验证了本文方法的有效性。
王东琴[2]（2021）在《基于局部算法的多模态工业过程故障检测研究》文中指出近年来,科学技术的飞快进步和现代人们所追求的产品高质量、生产安全及稳定生产过程导致了故障出现的频率越来越高,工业生产过程监视对于安全生产来说是非常重要的。为了提高系统的安全性,监控系统的性能问题越来越受到关注。基于数据驱动的故障检测技术可以提高系统的安全性,减少损失。本文以提高方差差异明显的多模态过程的故障检测性能为目的,研究基于局部算法的多模态过程的故障检测算法,本文主要工作及贡献如下:（1）为了提高k近邻（kNN）方法在稀疏差异很大的多模态数据中的监测效果,提出基于马氏距离kNN（MD-kNN）的多模态过程故障检测算法。首先寻找训练数据的k个近邻样本,计算其马氏距离的平方和,运用核密度估计确定其控制限。对新来的样本,计算其与训练集中的k个近邻样本的马氏距离平方和,将其与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。（2）为了提高局部保持投影（LPP）算法在各模态离散程度差异较大的多模态过程中的故障检测性能,提出一种新的基于二阶差商LPP（SODQ-LPP）的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计（KDE）确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。（3）为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法。首先对多模态过程训练数据运用局部概率密度（LPD）进行预处理,消除方差差异明显的多模态特性。然后运用非负矩阵分解（NMF）算法进行降维和局部特征提取,计算样本的D2统计量,并利用核密度估计（KDE）确定控制限。对于新来的校验样本数据运用局部概率密度处理后,向NMF模型上进行投影,计算新数据的统计量并与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。
刘锋[3]（2021）在《基于局部费舍尔判别分析的故障诊断方法研究》文中进行了进一步梳理随着生产过程和设备的复杂化,故障发生的情况日益增多,且故障的危害也越来越严重,因此故障诊断技术对于保障生产过程和设备安全具有重要意义。由于计算机集散系统的发展,大量故障数据被记录和保存下来,基于数据驱动的故障诊断方法逐渐兴起,其中局部费舍尔判别分析能够较好地分离不同类型的故障,在故障诊断领域受到广泛关注。然而局部费舍尔判别分析仍然存在缺陷,如无法处理非线性问题和小样本容量问题。本文围绕局部费舍尔判别分析,提出一系列改进措施,提高故障诊断的性能。全文主要内容包括:针对故障数据非线性特征的多样性,本文提出一种多核局部费舍尔判别分析模型,该模型通过权重系数将多种核函数集成为一个多核函数,再将原始故障数据通过多核函数映射投影至高维特征空间,最后在空间中采用局部费舍尔判别分析降维。该模型能够全面地描述不同故障的非线性特性,从而增强模型的非线性特征提取的能力,提高故障诊断的精度。考虑到核映射会造成数据维数变高而导致小样本容量问题,本文采用一种矩阵指数化的策略改进散度矩阵。该策略使得模型的散度矩阵始终是可逆的,从在求解特征值和特征向量时保留原始散度矩阵零空间的判别信息。此外,矩阵指数化策略增强了样本之间的边缘效果,使得模型的判别能力得到加强。针对多核局部费舍尔判别分析参数选择的问题,采用改进粒子群优化算法优化参数。改进粒子群优化算法通过种群初始化、控制参数调整和种群多样化等一系列设计,增强了收敛速度,同时获得了更优的解。优化的多核局部费舍尔判别分析不仅具有最优的参数设置,还能适应不同的故障诊断场景,具有一定的泛用性。本文通过TE过程和6S35ME-B9船舶柴油机工作过程的仿真实验,证明了上述方法能够较大程度地提高故障诊断的精度,验证了本文所提方法在的有效性和实用性。
牟淼[4]（2021）在《基于改进NPE算法的动态间歇过程监控研究》文中认为间歇过程作为现代制造业重要的生产方式之一,广泛应用于事关国计民生的冶金、钢铁、制药、化工等传统工业领域以及半导体制造等新兴领域,然而,一旦生产过程发生故障,将对国家和社会造成巨大损失,因此,如何准确高效的监控间歇过程生产状态,保证生产过程的安全可靠运行已成为人们关注的焦点。近年来,随着计算机技术和传感器技术的发展,间歇过程在生产中积累了丰富的反映过程运行状态和产品质量的数据,这也促使基于数据驱动的多元统计监控方法得到迅速地发展。基于多元统计的监控方法在应用到间歇过程监控时,往往都会假设过程处于理想化状态,即过程数据服从高斯分布、过程变量满足线性关系、工况单一、不受噪声等离群点的影响,然而,实际的工业过程并不满足这些假设,且由于间歇过程的批次生产等复杂特性,使得如何建立间歇过程监控模型,实现间歇过程故障及时准确地检测变得极具挑战性。本文基于邻域保持嵌入算法,针对由于间歇过程存在的非线性、动态性、噪声等离群点干扰而造成的过程监控效果不佳的问题,提出相应的改进算法,以实现更加良好的监控效果。主要研究内容如下:（1）针对间歇过程变量间存在的独立相关关系,提出一种基于变量分块的核动态潜变量-动态加权支持向量数据描述（Kernel dynamic latent variable-dynamic weighted support vector data description,KDLV-DWSVDD）的间歇过程监控方法。首先,互信息的引入可以有效评估过程变量间的相关独立关系,将过程变量划分为相关变量子块和独立变量子块;其次,在相关变量子块中,KDLV算法可以有效处理过程的非线性影响,提取动态信息;在独立变量子块中,DWSVDD算法可以有效提取独立变量的动态信息,同时通过加权凸显故障信息。最后,分别在相关变量子块和独立变量子块中建立统计模型,进行过程监控,通过青霉素发酵过程和半导体蚀刻过程进行仿真验证,验证了所提算法的可行性和有效性。（2）针对间歇过程变量间存在的动态静态关系,提出一种基于全局慢特征分析-全局邻域保持嵌入（Global slow feature analysis-global neighborhood preserving embedding,GSFA-GNPE）的动态-静态联合指标间歇过程监控方法。首先对过程变量的动态性和静态性进行评估,将过程变量划分为动态变量和静态变量两部分;其次,在动态变量中,GSFA可以有效提取过程的全局局部动态信息,在静态变量中,GNPE可以有效提取过程的全局局部静态信息;最后,分别在动态变量和静态变量两部分建立统计模型,求得统计量,将两个部分求得的统计量利用贝叶斯推断进行组合,从而得出混合模型的联合指标实现过程监控。数值例子和青霉素发酵仿真过程验证了所提算法的可行性和有效性。（3）针对间歇过程监控时三维数据展开造成的信息丢失和噪声等离群点对过程监控的影响,提取一种基于张量分解的马尔科夫链局部稀疏保持图嵌入（Markov chain neighborhood sparse preserving graph embedding based on tensor factorization,TMNSPGE）的间歇过程监控方法。首先,对三维数据进行张量分解,避免因数据展开而造成的信息丢失;其次,在构造近邻图时,考虑过程数据的局部几何结构和稀疏关系,同时引入马尔科夫链理论,可使得降维后的数据有一定的概率解释;最后,对整个过程建立统计模型进行过程监控。数值例子和青霉素发酵仿真过程验证了所提算法的可行性和有效性。
朱守博[5]（2021）在《鲁棒MPLS建模及其在过程监控中的应用》文中研究表明在现代工业生产中,随着传感器、PLC和DCS系统的普及与应用,数据和数据处理技术逐渐受到重视。基于数据驱动的多元统计过程监控方法能够在线评估过程运行状态,保障系统的可靠性和稳定性,对提高产品产量和质量具有重大意义。然而实际过程中大量存在的异常值和缺失数据现象,给基于数据驱动模型的过程监控带来挑战。论文研究基于改进潜结构投影（Modified Projection to Latent Structures,MPLS）模型的过程监控,具体内容如下:（1）针对过程数据存在异常值的问题,论文分析了MPLS模型的鲁棒性,提出一种基于主成分追踪（PCP）的鲁棒MPLS算法。该算法利用PCP对MPLS模型的系数矩阵进行分解得到正常数据的低秩结构,然后基于此低秩结构重新建立MPLS模型,从而消除输入输出数据中异常值的影响,使模型具有鲁棒性。同时,论文为鲁棒MPLS模型的质量相关子空间和质量无关子空间构建cT 2和rT 2两个监控指标。数值案例和TE过程验证了基于鲁棒MPLS监控方法的有效性。（2）针对过程数据存在缺失的问题,论文引入迭代算法（IA）来估计缺失数据,提出一种基于IA-RMPLS的质量相关故障检测方法。该方法通过建立模型和估计缺失数据两个步骤交替迭代进行,完成鲁棒MPLS建模。在此基础上,质量无关子空间被PCA分解为质量无关主元子空间和质量无关残差子空间。进一步,基于该模型,构建了监控指标,通过数值仿真和TE过程仿真对所提方法进行验证。（3）针对重构贡献（RBC）中包含交叉项和无关项作用,导致拖尾严重的问题,论文对重构贡献方法进行改进,提出一种贡献分析方法,并应用在鲁棒MPLS监控模型中。贡献分析是基于变量对监控指标cT 2和rT2的贡献值构成一个有界凸包来描述变量对故障的贡献度。该方法通过排除对凸包面积无贡献的变量筛选故障变量集,最终得到引起故障的主要变量。通过TE过程仿真结果,验证了所提方法相比于RBC识别结果更加精准。
王佳锋[6]（2021）在《基于慢特征分析的统计过程监控方法研究》文中指出近几十年来,大型工业生产水平不断进步,生产模式逐渐复杂,对产品的要求越来越高,对生产环节的安全性能也越来越重视。因此需要建立高效稳定的监控模型监测各个生产环节,保障产品质量,减少安全事故。基于数据的降维方法可以从有噪声的信号中学习出系统的本质信息,建立符合系统特征的监控模型。本文以慢特征分析（Slow Feature Analysis,SFA）方法为核心,从工业数据中的离群点、系统动态属性以及过程变化与输出的联系等角度,对SFA做出研究和改进。（1）针对SFA对异常值没有鲁棒性的缺点,提出鲁棒SFA监控建模方法。用改进的M估计器对传统SFA进行处理,可以在特征分解的过程中用鲁棒统计量敏锐地识别出离群点,赋予它较小的权重,减弱离群点与正常数据分布的偏离程度,并不断迭代,逐步消除离群点造成的稳态和动态影响,恢复正常数据,并建立监控指标,通过对系统静态和动态属性的综合监测,可以加深对过程状态的理解。最后,通过一个数值非线性系统和TE过程验证了该方法的有效性。结果表明,该鲁棒方法能利用不良的数据集建立稳定的监控模型,正确区分系统运行状态的正常变化与实际故障。（2）针对工业过程中的变量变化速度和序列相关性展开研究,提出序列相关的动态SFA综合监控建模方法。SFA关注了相邻样本间的变化快慢,而工业过程中往往存在时序相关性。针对这两种动态性能,本文提出一个新的优化目标函数,挖掘出具有时序相关性的缓慢变量,更准确地描述过程的动态变化,并构建综合监控模型,分别评估过程变量的稳态和动态特性在故障中的性能表现。采用TE过程进行仿真,证明了该方法通过充分挖掘工业过程的动态特性,可以提供更准确的监控结果。（3）针对SFA是非监督型算法的问题,提出质量相关的SFA建模和全面监控策略。本章引入典型相关分析（Canonical Correlation Analysis,CCA）,考虑了特征潜变量与质量变量的相关性,提出CCSFA方法,从过程数据中提取出与系统输出高度相关的慢特征,并以此将过程数据空间划分为质量相关和过程相关的子空间,对不同子空间建立综合监控模型,探索过程数据和关键质量变量在不同的过程变化中的表现。TE数据的仿真结果显示,该模型由于对过程数据的变化进行了详尽的分析和监控,可以提供更多有关过程动态和质量变化的信息。
万超群[7]（2021）在《行人重识别不变性特征学习》文中指出行人重识别是指在有限时空范围的监控场景下,跨越监控范围内不同的监控摄像头,对其中拍摄截取的行人图像进行行人身份识别与检索的任务。行人重识别任务的关键在于如何克服行人图像内容丰富的变化,提取具有不变性的、能够描述行人身份信息的特征表达。这些变化主要包含三个方面。一是由于行人行走动作和监控摄像头拍摄视角引起的,称为人体的变化。二是由于监控范围内的环境和监控摄像头的偏置引起的,称为风格的变化。三是由于监控摄像头非正常工作或者人为恶意攻击导致的,称为噪声的变化。目前已有的不变性特征学习方法主要从整张行人图像出发,容易产生以下三种问题。（1）全局不变性特征学习容易忽略图像中人体的变化,导致细节信息的丢失。（2）全局不变性特征学习难以应对未知的风格的变化,限制模型应用于未知监控场景的能力。（3）全局不变性特征学习容易受到噪声,特别是特殊设计的对抗噪声的影响,导致识别错误。因此,如何应对行人图像中复杂多样的变化,是行人重识别亟待解决的问题。因此,本论文针对性地分析三种变化在行人图像中的特点,并分别设计新的不变性特征学习方法:针对人体变化的不变性特征研究——行人局部学习,针对风格变化的不变性特征研究——网络解耦学习,针对噪声变化的不变性特征研究——流形空间学习。对于行人局部学习,虽然目前已有工作进行了针对性研究,但是现有的方法难以获取精确的行人身体部位,并对身体部位的特征充分表达。这导致了行人身体部位无法对齐,从而产生错误的比对,造成相同行人的特征具有较大的类内差异。同时不充分的特征表达又会造成不同行人的特征具有较小的类间距离。两点原因极大限制了现有局部学习方法的有效性。故而,本论文强调了行人身体局部区域定位和局部区域描述的重要性,并设计了带集中性约束和区分性约束的注意力机制模块,提出了基于统计、位置、关联的特征描述子,从而对行人身体局部实现更加精确的定位和更加细致的描述。该人体局部学习方法极大提高了行人重识别算法对于人体变化的稳定性,能够提取保有不变性的行人局部细节特征。对于风格的变化,绝大多数目前的工作都是从整张行人图像出发挖掘目标监控场景下未知的图像风格。这些方法借助已有行人图像数据和模型,利用这些先验知识进行迁移学习。然而由于目标场景风格的特殊性,已有的先验知识无法直接应用于未知风格的监控场景之中,限制了现有算法的迁移效果。本论文提出区分行人身份的信息既存在于行人主体部分也存在于图像风格部分。而行人主体部分是场景间相似的,因此行人主体的特征提取是可以在不同监控场景间共享的;而图像风格部分是场景间特异的,因此图像风格的特征提取需要基于目标监控场景重新挖掘。为了实现场景间共享特征和特异特征的解耦,本论文基于网络结构层面提出网络解耦学习,利用不同的模块实现对行人主体和图像风格的特征提取。该方法充分利用了已有的先验知识,并尽可能挖掘目标场景特有的内容,可以在任意目标监控场景下达到更高的行人重识别效果,并且在不利用数据标注的条件下,识别准确率非常逼近有标注的识别准确率。对于噪声的变化,目前鲜有工作针对这项需求进行研究,限制了行人重识别技术在实际生活中的应用扩展。因此,本论文基于“噪声导致样本脱离数据分布流形”的假设,提出流形空间学习。所谓流形空间,即真实世界的高维数据实际上分布在一个低维的流形上。换句话说,流形上的数据都是无噪数据,而噪声使得数据脱离流形,脱离了模型训练学习的数据分布范围。因此,本论文提出估计真实数据的流形空间,并定义流形投影操作将带噪数据重新投影回流形空间之上。这种方式构建了噪声数据和真实无噪数据之间的联系,从而能够减小因噪声带来的分布的改变,提高模型进行特征提取时对于噪声的稳定性,获取具有不变性的特征。本论文的主要工作和创新之处总结如下:·针对行人图像人体的变化,本论文提出了带集中性约束和区分性约束的注意力机制模块和丰富的特征描述子,证明了人体局部学习中局部区域精确的定位和细致的描述的重要性。该算法改善了传统局部定位响应分散、无意义、以及特征描述简单等问题,极大提升了行人重识别算法的效果;·针对行人图像风格的变化,本论文首次提出网络解耦的方法分别学习行人主体特征和图像背景特征。该算法充分利用了行人图像的时空关系,在无数据标注的条件下,行人重识别算法效果非常接近有数据标注的结果。·针对行人图像噪声的变化,本论文首次提出流形学习结构层和流形网络,通过建模特征的流形空间,并引入流形投影来消除噪声干扰,极大提高了行人重识别算法模型对于噪声的稳定性。
唐鹏[8]（2021）在《数据驱动的流程工业非线性过程监测与故障诊断》文中指出现代流程工业日趋规模化、复杂化和集成化。工业过程长期安全、稳定、高效运行是企业实现经济效益的关键。流程工业中绝大部分被控过程具有非线性特性,传统的线性方法通常假设工业过程运行在某一稳定工作点附近,并且变量之间相关性关系在窄窗口内近似为线性的。面向流程工业非线性过程监测与故障诊断方法的研究是自动控制领域中一个十分重要的课题。近二十年来,非线性过程监测主要有基于核方法、局部模型和神经网络等解决途径,但面向系统规模庞大、测量变量与操作工序众多、变量关联关系复杂的流程工业过程,传统的方法较难获取完备的监测与诊断效果。本文主要研究内容包括以下几个方面:（1）针对流程工业非线性过程建模复杂、故障变量辨识难的问题,提出了基于变分自编码器的过程监测与故障隔离一体化解决方案。首先,利用变分自编码器构建非线性过程概率模型,将复杂分布的过程数据映射到潜变量空间,使其服从高斯分布;其次,基于变分自编码器模型设计了基于边缘联合概率密度的监测统计量,实现了非线性过程监测;然后,采用缺失值重构思想,基于重构贡献分析实现了非线性过程故障隔离,并针对多个故障相关变量影响导致的拖尾效应问题,采用分支定界技术实现故障相关变量集的快速搜索,提升非线性过程故障隔离性能。最后,使用TE过程和带钢热连轧过程数据对所提算法的监测与诊断性能进行了验证。（2）针对流程工业多操作工况导致的非线性问题,提出了基于高斯混合变分自编码器的多工况过程监测方法。首先,变分自编码器中引入高斯混合模型,构建一个高斯混合变分自编码器,将多工况的非线性过程数据映射到潜变量空间,使其每个工况的潜变量投影均近似服从高斯分布;然后,利用潜变量投影在每个高斯分量的偏离程度,以及模型提供的重构概率分布构建监测统计量,实现多工况过程的非线性过程监测。最后,通过TE过程和带钢热连轧过程数据验证了该算法的有效性。（3）针对流程工业非线性过程质量监测问题,提出了联合深度变分信息瓶颈和变分自编码器的质量监测方法。首先,通过构建深度变分信息瓶颈和变分自编码器的联合模型,实现质量相关和无关的潜变量分解,并采用理论分析证明了上述联合模型分解的有效性;然后,利用联合模型提供的潜变量分布和重构概率分布建立了监测统计量,从而实现质量相关故障的检测;最后,通过数值仿真案例和带钢热连轧案例验证了所提算法的有效性。（4）针对流程工业全流程非线性建模和过程监测问题,提出了基于条件变分自编码器的全流程过程监测方法。首先,以流程工业中常见的串联型过程为研究对象,构建分布式变分循环自编码器模型,以提取工序间和工序内的时空特征;其次,使用深度支持向量数据描述方法对局部特征信息进行融合,提取全局特征信息;然后,基于构建的分布式模型设计局部监测统计量,并用融合的特征构建全局监测统计量,从而实现全流程的全局-局部的过程监测方法;最后,利用带钢热连轧实际工程案例对所提算法进行了验证。（5）针对流程工业非线性过程监测、故障隔离、故障辨识一体化解决难的问题,提出了一个深度因果图建模方法及其一体化过程监测与故障诊断方案。首先,提出了一种深度因果图建模方法,构建描述变量间因果关系的有向图结构;然后,利用深度因果图模型提供的变量条件概率构建监测统计量和贡献度指标,实现故障的检测和隔离,并使用因果有向图结构辨识故障的根源和传播路径;最后,通过TE过程验证所提算法的可行性和有效性。
闫晓娜[9]（2020）在《基于改进判别局部保持投影方法的研究及其工业故障诊断应用》文中指出如今化工系统具有集成化、复杂性高、变量多、耦合性强等特点,运行过程会产生大量高维、非线性数据。因此,故障诊断的面临的主要挑战是如何从流程工业中的收集的海量高维、非线性过程数据中提取有效信息。解决该问题的主要方法是利用以特征提取技术为主流的数据驱动的故障诊断方法。判别局部保持投影算法（DLPP）隶属于流形学习范畴,该算法不仅可以挖掘位于流形结构上信息,而且可以通过最小化类内流形散布和最大化类间流形散布更好地实现数据可视化和分类,在故障诊断中具有重要的研究意义和应用价值。然而,DLPP在实际应用中遭受着严重的小样本问题,无法直接应用于使用。为了使判别局部保持投影算法更好的应用于故障诊断,我们分析了判别局部保持投影算法产生小样本问题的原因,提出两种解决方法,并对化工过程进行建模,具体内容如下:（1）提出了一种基于舒尔分解正交指数判别局部保持投影（Schur-OEDLPP）的故障诊断方法。该方法不但保留了 DLPP的鉴别分类特性,还通过引入矩阵指数性质克服了 DLPP的小样本问题,同时可以提取到位于零特征空间的重要的鉴别信息。但矩阵的指数计算会使原有矩阵数据数值变得非常大,因此本文使用了 Frobenius范数对矩阵做归一化处理。此外,该方法应用Schur定理对相应的矩阵指数进行分解,可以获得一组准正交基向量,进而解决特征向量的冗余性问题,更好的实现故障分离。（2）提出了一种基于自助采样判别局部保持投影（Bootstrap-DLPP）的故障诊断方法,该方法利用Bootstrap的对抽样方法,对类内数据进行多次重抽样,使类间样本数大于特征数量,克服DLPP的小样本问题。同时一个含有k-nearest-neighbor和k-furthest neighbor连接图被开发,增强投影数据的分离效果,提高故障诊断的准确性。（3）本文使用Akaike信息准则选择 Schur-OEDLPP 和Bootstrap-DLPP两种方法的最优模型阶次,然后,通过基于最大后验概率的贝叶斯判别模型进行故障归类。（4）最后,本文以二维合成数据集和田纳西-伊斯特曼（TE）过程为研究对象,并使用多个案例评估这两种方法在各个方面的性能。实验结果证明,在可视化性能和分类准确性方面,特别是当类别之间的距离分布不均匀时,提出的两种算法优于其他最新的特征提取方法。
张和慧[10]（2020）在《基于邻域保持嵌入算法的间歇过程故障检测研究》文中进行了进一步梳理现如今故障检测领域由于人们对产品质量、生产效率以及安全性能的严要求和高标准,同时随着计算机和人工智能的飞速发展而得到了科学家人们的广泛关注。越来越多的研究者致力于在提高故障检测精度和效率,进而运用一定的理论对实际工业生产进行指导和帮助。基于数据驱动的传统多元统计方法针对工业过程故障检测需要假设不受噪声、离群点等的影响,过程数据具有近似线性且单一工况的状态,有利于后续建模与分析。然而,愈加复杂和智能化的工业过程,已不适用于直接利用上述传统方法,因此对其进行改进从而得到更好的结果是现阶段刻不容缓的事情。针对间歇过程具有非线性、非高斯、动态、多阶段和多模态等混合分布的复杂特性,往往对故障检测的效率和精度造成不良的影响,本文基于邻域保持嵌入算法（Neighborhood Preserving Embedding,NPE）,通过分析该算法的结构特点并结合具体的间歇过程特性,提出对其进行改进的算法且应用于故障检测。本文的研究内容有以下几方面:（1）针对间歇过程数据具有的多模态以及各模态结构差异较大、高斯非高斯混合分布的特征,提出了一种基于局部近邻标准化（LNS）的LNSNPE-SVDD故障检测算法。首先利用该算法寻找原始数据的局部近邻集,针对局部近邻集数据进行标准化,同时将多模态数据融合为单一模态并对高斯、非高斯共存的数据进行处理使之近似服从多元高斯分布;然后在有效保持局部数据流形结构,充分提取局部特征下进行降维;最后,通过支持向量数据描述（SVDD）建立故障检测模型,构造监控统计量进行过程监控,使得检测率进一步提高。（2）针对邻域保持嵌入算法只关注数据的局部结构信息而没有考虑全局信息,对具有复杂动态特性的间歇过程故障检测造成检测率较低的问题,提出了一种基于交叉熵（Cross Entropy,CE）的邻域保持嵌入（CEGLNPE）算法,可以同时兼顾全局和局部的数据利用,提高故障检测效率和精度。首先交叉熵算法通过更新概率密度对数据多次迭代寻求全局最优,而邻域保持嵌入算法对局部结构进行保持;然后根据CE和NPE算法分别对全局和局部进行结构保持的特性,构建新的目标函数;最后利用滑动窗更新数据解决动态性并建立全局-局部的故障检测模型。通过人工数据集Swiss-Roll和青霉素发酵仿真过程与KPCA、NPE算法进行对比验证,验证了所提算法的有效性。（3）针对间歇过程具有的多阶段特性,即各个阶段间的数据结构不尽相同,对一个过程进行整体建模时,会忽略一些结构间的差异性,从而导致故障检测效果不佳,提出了一种基于稀疏子空间聚类（Sparse Subspace Clustering,SSC）的NPE多阶段故障检测算法。首先引入k近邻作为SSC的约束项,兼顾全局和局部两方面,对数据进行聚类完成阶段的划分;接着对各子阶段通过NPE算法达到降维提取特征的目的;然后利用小波变换对统计量进行降噪处理,排除噪声和干扰对结果的影响,最小化数据的损失率;最后在青霉素发酵仿真实验平台上进行对比验证,得到所提算法有效性的结论。
二、基于多元统计投影方法的过程监控技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多元统计投影方法的过程监控技术研究（论文提纲范文）
（1）基于多元统计分析的工业过程故障检测与诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 故障检测与诊断方法的研究现状 |
| 1.2.1 故障检测与诊断方法发展概述 |
| 1.2.2 基于多元统计分析的故障检测与诊断方法的研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 基于局部预测主元分析的故障检测方法 |
| 2.1 引言 |
| 2.2 基于局部预测主元分析的故障检测方法 |
| 2.2.1 主元分析 |
| 2.2.2 局部预测主元分析 |
| 2.2.3 基于局部预测主元分析的故障检测方法 |
| 2.2.4 统计量分析 |
| 2.3 仿真实验及结果分析 |
| 2.3.1 数值仿真实例 |
| 2.3.2 TE过程 |
| 2.4 本章小结 |
| 第三章 基于DPCA残差互异度的故障检测与诊断方法 |
| 3.1 引言 |
| 3.2 基于DPCA残差互异度动态过程故障检测与诊断方法 |
| 3.2.1 动态主元分析 |
| 3.2.2 互异度指标 |
| 3.2.3 基于DPCA残差互异度动态过程故障检测与诊断方法 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 数值仿真实例 |
| 3.3.2 TE过程 |
| 3.4 本章小结 |
| 第四章 基于邻域保持嵌入的非线性过程故障检测方法 |
| 4.1 引言 |
| 4.2 基于邻域保持嵌入的非线性故障检测方法 |
| 4.2.1 邻域保持嵌入 |
| 4.2.2 NPE降维算法分析 |
| 4.2.3 基于邻域保持嵌入的非线性故障检测方法 |
| 4.3 仿真实验及结果分析 |
| 4.3.1 非线性数值仿真实例 |
| 4.3.2 TE过程 |
| 4.4 本章小结 |
| 第五章 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
| 5.1 引言 |
| 5.2 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
| 5.2.1 多向邻域保持嵌入 |
| 5.2.2 高斯混合模型 |
| 5.2.3 基于多向邻域保持嵌入和高斯混合模型的故障检测方法 |
| 5.3 仿真实验及结果分析 |
| 5.3.1 数值仿真实例 |
| 5.3.2 半导体蚀刻过程 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表论文 |
| 致谢 |
（2）基于局部算法的多模态工业过程故障检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 故障检测概述 |
| 1.2.1 故障的概念 |
| 1.2.2 故障检测方法及检测统计量概述 |
| 1.3 多模态过程故障检测研究现状 |
| 1.4 本文研究的主要内容 |
| 第二章 基于马氏距离kNN的多模态过程故障检测 |
| 2.1 引言 |
| 2.2 基于马氏距离kNN的多模态过程算法研究 |
| 2.2.1 k近邻方法 |
| 2.2.2 马氏距离的kNN算法 |
| 2.2.3 建模过程与在线检测 |
| 2.3 仿真结果与分析 |
| 2.3.1 多模态数值例子 |
| 2.3.2 半导体生产过程数据 |
| 2.4 本章小结 |
| 第三章 基于二阶差商LPP的多模态过程故障检测 |
| 3.1 引言 |
| 3.2 基于二阶差商LPP的多模态过程算法研究 |
| 3.2.1 局部保持投影(LPP)方法 |
| 3.2.2 二阶差商预处理算法 |
| 3.2.3 建模过程与在线检测 |
| 3.3 仿真结果及分析 |
| 3.3.1 多模态数值例子 |
| 3.3.2 半导体生产过程 |
| 3.4 本章小结 |
| 第四章 基于LPD-NMF的多模态过程监视 |
| 4.1 引言 |
| 4.2 基于LPD-NMF的多模态过程算法研究 |
| 4.2.1 局部概率密度方法 |
| 4.2.2 非负矩阵分解(NMF)算法 |
| 4.3 建模过程和在线检测 |
| 4.4 仿真结果与分析 |
| 4.4.1 多模态数值例子 |
| 4.4.2 半导体生产过程数据 |
| 4.5 本章小结 |
| 第五章 结束语 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
（3）基于局部费舍尔判别分析的故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 故障诊断的研究内容和方法 |
| 1.2.2 基于多元统计的故障诊断方法 |
| 1.2.3 基于局部费舍尔判别分析的故障诊断方法 |
| 1.3 论文的主要内容及结构 |
| 2 基于局部费舍尔判别分析的故障诊断模型 |
| 2.1 局部费舍尔判别分析模型 |
| 2.1.1 费舍尔判别分析 |
| 2.1.2 局部保持投影 |
| 2.1.3 局部费舍尔判别分析方法 |
| 2.2 基于LFDA的故障诊断 |
| 2.3 本章小结 |
| 3 多核局部费舍尔判别分析的故障诊断 |
| 3.1 多核局部费舍尔判别分析模型 |
| 3.1.1 核方法的基本理论 |
| 3.1.2 核局部费舍尔判别分析模型 |
| 3.1.3 多核局部费舍尔判别分析模型 |
| 3.2 基于多核局部费舍尔判别分析的故障分类框架 |
| 3.2.1 多核局部费舍尔判别分析的判定方法 |
| 3.2.2 多核局部费舍尔判别分析的故障诊断步骤 |
| 3.3 仿真实验 |
| 3.3.1 TE过程仿真实验 |
| 3.3.2 真实柴油机运行过程仿真实验 |
| 3.4 本章小结 |
| 4 基于优化的指数化多核局部费舍尔判别分析的故障分类 |
| 4.1 指数化的MKLFDA模型 |
| 4.1.1 MKLFDA的 SSS问题 |
| 4.1.2 基于矩阵指数化策略的MKLFDA模型 |
| 4.2 多核函数的参数选择 |
| 4.2.1 改进的粒子群算法 |
| 4.2.2 改进粒子群算法优化模型参数 |
| 4.3 OEMKLFDA的故障诊断流程 |
| 4.4 仿真实验 |
| 4.4.1 TE过程仿真实验 |
| 4.4.2 真实柴油机工作过程仿真实验 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文及参与项目情况 |
| 致谢 |
（4）基于改进NPE算法的动态间歇过程监控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 过程监测的含义与基本方法分类 |
| 1.2.1 过程监控的含义 |
| 1.2.2 过程监控的基本方法分类 |
| 1.2.3 邻域保持嵌入算法(NPE) |
| 1.3 间歇过程特性分析 |
| 1.4 间歇过程监控方法研究现状 |
| 1.5 本文研究内容与组织结构 |
| 第2章 基于变量分块的KDLV-DWSVDD算法的间歇过程监控 |
| 2.1 引言 |
| 2.2 相关算法 |
| 2.2.1 动态潜变量算法(DLV) |
| 2.2.2 支持向量数据描述(SVDD) |
| 2.2.3 互信息(MI) |
| 2.3 基于KDLV-DWSVDD的间歇过程监控 |
| 2.3.1 数据预处理 |
| 2.3.2 变量分块 |
| 2.3.3 基于变量分块KDLV-DWSVDD算法的建模 |
| 2.3.3.1 KDLV在相关变量子块中的建模 |
| 2.3.3.2 DWSVDD在独立变量子块中的建模 |
| 2.4 基于变量分块的KDLV-DWSVDD算法的间歇过程监控步骤 |
| 2.4.1 离线建模 |
| 2.4.2 在线监测 |
| 2.5 仿真验证与分析 |
| 2.5.1 青霉素发酵仿真过程 |
| 2.5.2 半导体蚀刻过程 |
| 2.6 本章小结 |
| 第3章 基于GSFA-GNPE的动态静态联合指标间歇过程监控 |
| 3.1 引言 |
| 3.2 慢特征分析算法(SFA) |
| 3.3 基于GSFA-GNPE动态与静态变量的间歇过程监控 |
| 3.3.1 动态变量与静态变量的区分 |
| 3.3.2 基于动态变量与静态变量的GSFA-GNPE建模 |
| 3.3.2.1 全局慢特征分析算法(GSFA) |
| 3.3.2.2 全局邻域保持嵌入算法(GNPE) |
| 3.3.3 联合指标建立 |
| 3.4 基于GSFA-GNPE的动态-静态联合指标间歇过程监控步骤 |
| 3.4.1 离线建模 |
| 3.4.2 在线监测 |
| 3.5 仿真验证与分析 |
| 3.5.1 数值例子 |
| 3.5.2 青霉素发酵仿真过程 |
| 3.6 本章小结 |
| 第4章 基于TMNSPGE算法的间歇过程监控 |
| 4.1 引言 |
| 4.2 相关算法 |
| 4.2.1 图嵌入算法(GE) |
| 4.2.2 稀疏流形编码(SMC) |
| 4.3 基于TMNSPGE算法的间歇过程监控 |
| 4.3.1 数据表示 |
| 4.3.2 基于有限马尔科夫链的相似图设计 |
| 4.3.3 基于TMNSPGE间歇过程监控建模 |
| 4.4 基于TMNSPGE的间歇过程监控步骤 |
| 4.4.1 离线建模 |
| 4.4.2 在线监测 |
| 4.5 仿真验证与分析 |
| 4.5.1 数值例子 |
| 4.5.2 青霉素发酵仿真过程 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读硕士期间所发表的论文 |
（5）鲁棒MPLS建模及其在过程监控中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 过程监控概述 |
| 1.2.1 过程监控流程 |
| 1.2.2 过程监控方法 |
| 1.3 多元统计过程监控方法的研究现状 |
| 1.3.1 异常值下多元统计研究现状 |
| 1.3.2 缺失数据下多元统计研究现状 |
| 1.3.3 多元统计分析的故障识别方法研究现状 |
| 1.4 论文主要研究内容 |
| 第二章 基于PLS与 MPLS模型的过程监控 |
| 2.1 引言 |
| 2.2 PLS模型与过程监控 |
| 2.2.1 PLS模型 |
| 2.2.2 基于PLS的过程监控 |
| 2.3 MPLS模型与过程监控 |
| 2.3.1 MPLS模型 |
| 2.3.2 基于MPLS的过程监控 |
| 2.4 仿真验证 |
| 2.4.1 数值算例 |
| 2.4.2 TE过程实例 |
| 2.5 本章小结 |
| 第三章 鲁棒MPLS建模与过程监控 |
| 3.1 引言 |
| 3.2 MPLS算法的鲁棒性分析 |
| 3.3 鲁棒MPLS算法 |
| 3.3.1 主成分追踪算法 |
| 3.3.2 基于PCP方法实现的鲁棒MPLS |
| 3.4 基于RMPLS的故障检测 |
| 3.5 仿真验证 |
| 3.5.1 数值算例 |
| 3.5.2 TE过程实例 |
| 3.6 本章小结 |
| 第四章 缺失数据下基于鲁棒MPLS的过程监控 |
| 4.1 引言 |
| 4.2 缺失数据对RMPLS模型的影响 |
| 4.3 缺失数据下的鲁棒MPLS建模 |
| 4.3.1 基于PLS的迭代算法估计缺失数据 |
| 4.3.2 缺失数据下的鲁棒MPLS建模 |
| 4.4 基于IA-RMPLS的过程监控 |
| 4.5 仿真验证 |
| 4.5.1 数值算例 |
| 4.5.2 TE过程实例 |
| 4.6 本章小结 |
| 第五章 一种基于贡献分析的故障识别方法 |
| 5.1 引言 |
| 5.2 重构贡献法 |
| 5.3 RBC交叉项和无关项的干扰问题 |
| 5.4 基于贡献分析的故障识别方法 |
| 5.4.1 贡献分析 |
| 5.4.2 基于贡献分析的故障识别流程 |
| 5.5 仿真验证 |
| 5.6 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文及其他成果 |
（6）基于慢特征分析的统计过程监控方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 过程监控概述 |
| 1.2.1 过程监控流程 |
| 1.2.2 过程监控建模方法 |
| 1.2.3 多元统计监控方法国内外研究现状 |
| 1.2.4 基于SFA的过程监控现状 |
| 1.3 论文的主要研究内容 |
| 第二章 SFA及其监控建模 |
| 2.1 引言 |
| 2.2 慢特征分析(SFA) |
| 2.3 基于SFA的统计过程监控 |
| 2.4 TE过程简介 |
| 2.5 仿真分析 |
| 2.6 本章小结 |
| 第三章 鲁棒SFA建模与过程监控 |
| 3.1 引言 |
| 3.2 基于RPCA的RSFA算法 |
| 3.3 基于RSFA的故障检测方法 |
| 3.4 潜变量空间模型对比 |
| 3.5 仿真分析 |
| 3.5.1 非线性数值系统仿真 |
| 3.5.2 TE过程仿真 |
| 3.6 本章小结 |
| 第四章 序列相关的动态SFA建模与过程监控 |
| 4.1 引言 |
| 4.2 典型变量分析(CVA) |
| 4.2.1 CVA理论 |
| 4.2.2 CVA算法 |
| 4.3 序列相关的CVSFA监控建模 |
| 4.4 CVSFA在线监控策略 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第五章 质量相关的SFA建模与过程监控 |
| 5.1 引言 |
| 5.2 典型相关分析(CCA) |
| 5.3 质量相关的CCSFA监控建模 |
| 5.4 CCSFA在线监控策略 |
| 5.5 仿真分析 |
| 5.5.1 质量相关性验证 |
| 5.5.2 过程监控仿真 |
| 5.6 本章小结 |
| 第六章 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文及其他成果 |
（7）行人重识别不变性特征学习（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况与发展趋势 |
| 1.2.1 基于表征学习的方法 |
| 1.2.2 基于度量学习的方法 |
| 1.2.3 基于深度学习的方法 |
| 1.2.4 行人重识别算法中其他研究内容 |
| 1.2.5 基于视频的行人重识别算法 |
| 1.2.6 行人重识别不变性特征学习 |
| 1.2.7 现有方法的不足 |
| 1.3 研究内容和研究方法 |
| 1.4 本文的结构安排和创新点 |
| 第2章 基于人体不变性特征的行人局部学习 |
| 2.1 引言 |
| 2.2 研究动机 |
| 2.3 相关工作 |
| 2.3.1 局部区域定位方法 |
| 2.3.2 局部区域描述方法 |
| 2.3.3 现有方法的不足 |
| 2.4 研究方法 |
| 2.4.1 带约束的注意力机制模块 |
| 2.4.2 网络训练 |
| 2.5 实验与分析 |
| 2.5.1 行人重识别的数据集 |
| 2.5.2 行人重识别的评估方法 |
| 2.5.3 实验设置 |
| 2.5.4 与经典方法的对比 |
| 2.5.5 消融实验 |
| 2.5.6 超参数的影响 |
| 2.5.7 可视化结果 |
| 2.5.8 行人局部学习算法在其他数据集上的泛化能力 |
| 2.6 本章小结 |
| 第3章 基于风格不变性特征的网络解耦学习 |
| 3.1 引言 |
| 3.2 研究动机 |
| 3.3 相关工作 |
| 3.3.1 纯无监督行人重识别方法 |
| 3.3.2 无监督跨域行人重识别方法 |
| 3.4 研究方法 |
| 3.4.1 网络解耦学习和风格感知网络 |
| 3.4.2 内容知识学习 |
| 3.4.3 风格知识学习 |
| 3.5 实验与分析 |
| 3.5.1 数据集和评价指标 |
| 3.5.2 实验设置 |
| 3.5.3 与经典方法的对比 |
| 3.5.4 消融实验 |
| 3.5.5 超参数的影响 |
| 3.6 本章小结 |
| 第4章 基于噪声不变性特征的流形空间学习 |
| 4.1 引言 |
| 4.2 研究动机 |
| 4.3 相关工作 |
| 4.3.1 对抗攻击 |
| 4.3.2 对抗防御 |
| 4.4 研究方法 |
| 4.4.1 流形估计 |
| 4.4.2 流形投影 |
| 4.5 实验与分析 |
| 4.5.1 实验设置 |
| 4.5.2 与经典方法的对比 |
| 4.5.3 对抗样本产生的原因 |
| 4.5.4 动态攻击验证模型鲁棒性 |
| 4.5.5 行人重识别任务中的对抗样本 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作小结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）数据驱动的流程工业非线性过程监测与故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 过程监测与故障诊断的研究内容与方法 |
| 1.2.1 过程监测与故障诊断的基本概念 |
| 1.2.2 过程监测与故障诊断研究方法 |
| 1.3 数据驱动的过程监测与故障诊断现状分析 |
| 1.3.1 基于多元统计的过程监测研究现状 |
| 1.3.2 数据驱动的故障诊断研究现状 |
| 1.4 非线性过程监测与故障诊断研究现状 |
| 1.4.1 基于核方法的非线性过程监测 |
| 1.4.2 基于局部模型的非线性过程监测 |
| 1.4.3 基于深度学习的非线性过程监测 |
| 1.4.4 非线性故障诊断研究现状 |
| 1.5 本文的研究内容 |
| 2 基于变分自编码器的非线性过程监测与故障隔离 |
| 2.1 引言 |
| 2.2 变分自动编码器 |
| 2.3 分支定界算法 |
| 2.4 基于VAE的非线性过程监测 |
| 2.4.1 基于联合概率密度的监测统计量设计 |
| 2.4.2 基于数据生成的控制限确定 |
| 2.5 基于VAE的非线性过程故障隔离 |
| 2.5.1 基于重构贡献分析的故障隔离方法 |
| 2.5.2 基于分支定界算法的故障隔离方法 |
| 2.6 实验验证 |
| 2.6.1 TE过程验证 |
| 2.6.2 带钢热连轧过程验证 |
| 2.7 本章小结 |
| 3 基于高斯混合变分自编码器的多工况过程监测 |
| 3.1 引言 |
| 3.2 高斯混合模型 |
| 3.3 高斯混合变分自编码器 |
| 3.4 基于混合高斯VAE的多工况过程监测 |
| 3.4.1 改进的GMVAE模型 |
| 3.4.2 基于GMVAE的过程监测 |
| 3.5 实验验证 |
| 3.5.1 TE过程验证 |
| 3.5.2 带钢热连轧过程验证 |
| 3.6 本章小结 |
| 4 基于深度变分信息瓶颈和变分自编码器的质量监测 |
| 4.1 引言 |
| 4.2 信息瓶颈 |
| 4.3 深度变分信息瓶颈 |
| 4.4 基于Deep VIB-VAE的非线性过程质量异常过程建模 |
| 4.4.1 Deep VIB-VAE建模 |
| 4.4.2 基于质量相关和无关特征分解的质量监测 |
| 4.5 实验验证 |
| 4.5.1 数值仿真案例验证 |
| 4.5.2 带钢热连轧过程验证 |
| 4.6 本章小结 |
| 5 基于条件变分自编码器的全流程过程监测 |
| 5.0 引言 |
| 5.1 理论基础 |
| 5.1.1 长短期记忆网络 |
| 5.1.2 条件变分自编码器 |
| 5.1.3 深度支持向量数据描述 |
| 5.2 基于CVRAE的全流程过程监测 |
| 5.2.1 系统描述 |
| 5.2.2 分布式条件变分循环自编码器 |
| 5.2.3 基于分布式CVRAE的分层过程监测框架 |
| 5.3 实验验证 |
| 5.3.1 带钢热连轧数据集 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 6 深度因果图建模及其过程监测与故障诊断 |
| 6.1 引言 |
| 6.2 深度因果图建模方法 |
| 6.2.1 图结构已知的因果关系建模方法 |
| 6.2.2 图结构未知的因果关系建模方法 |
| 6.3 基于深度因果模型的过程监测与故障诊断 |
| 6.3.1 过程监测 |
| 6.3.2 故障诊断 |
| 6.4 实验验证 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究工作总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（9）基于改进判别局部保持投影方法的研究及其工业故障诊断应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 缩略词说明 |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 故障诊断的综述 |
| 1.2.1 故障诊断的基本概念 |
| 1.2.2 故障诊断的研究方法 |
| 1.3 国内外研究现状 |
| 1.3.1 多元统计方法 |
| 1.3.2 流形学习方法 |
| 1.4 论文的研究内容和安排 |
| 第二章 相关理论方法及小样本问题分析 |
| 2.1 引言 |
| 2.2 相关降维方法原理介绍 |
| 2.2.1 费舍尔判别分析 |
| 2.2.2 局部保持投影 |
| 2.2.3 正交局部保持投影 |
| 2.2.4 判别局部保持投影 |
| 2.3 几种方法的分析比较 |
| 2.4 小样本问题分析 |
| 2.5 本章小结 |
| 第三章 基于改进判别局部保持投影的故障诊断方法 |
| 3.1 引言 |
| 3.2 故障数据特征提取 |
| 3.2.1 基于Schur-OEDLPP故障特征提取 |
| 3.2.2 基于Bootstrap-DLPP故障特征提取 |
| 3.2.2.1 Bootstrap重采样 |
| 3.2.2.2 连接图重构 |
| 3.2.2.3 Bootstrap-DLPP方法 |
| 3.3 信息准则 |
| 3.4 贝叶斯故障决策 |
| 3.5 故障诊断流程 |
| 3.5.1 基于Schur-OEDLPP故障诊断流程 |
| 3.5.2 基于Bootstrap-DLPP故障诊断流程 |
| 3.6 本章小结 |
| 第四章 仿真应用实例及结果分析 |
| 4.1 引言 |
| 4.2 合成数据案例分析 |
| 4.3 TE过程案例分析 |
| 4.3.1 TE过程介绍及案例选择 |
| 4.3.2 基于Schur-OEDLPP仿真结果分析 |
| 4.3.3 基于Bootstrap-DLPP仿真结果分析 |
| 4.3.4 基于多种方法的仿真结果对比分析 |
| 4.3.4.1 可视化分析 |
| 4.3.4.2 精确度分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（10）基于邻域保持嵌入算法的间歇过程故障检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 课题研究现状 |
| 1.2.1 故障检测的基本方法 |
| 1.2.2 多元统计方法在故障检测中的应用 |
| 1.2.3 国内外研究现状 |
| 1.3 间歇过程概述 |
| 1.4 本文的研究内容与组织结构 |
| 第2章 基于邻域保持嵌入的故障检测算法 |
| 2.1 引言 |
| 2.2 NPE算法的基本原理 |
| 2.3 两种扩展的NPE算法 |
| 2.3.1 动态邻域保持嵌入算法(DNPE) |
| 2.3.2 核邻域保持嵌入算法(KNPE) |
| 2.4 统计量的选取与计算 |
| 2.5 青霉素发酵仿真平台 |
| 2.6 本章小结 |
| 第3章 基于局部近邻标准化的改进NPE算法 |
| 3.1 引言 |
| 3.2 数据的处理 |
| 3.2.1 间歇过程数据预处理 |
| 3.2.2 局部近邻标准化(LNS) |
| 3.3 基于LNSNPE-SVDD算法的故障检测 |
| 3.3.1 支持向量数据描述(SVDD) |
| 3.3.2 算法实现 |
| 3.4 仿真验证与分析 |
| 3.5 本章小结 |
| 第4章 基于交叉熵的改进NPE全局-局部间歇过程故障检测算法 |
| 4.1 引言 |
| 4.2 交叉熵(CE)算法 |
| 4.3 基于交叉熵的全局-局部邻域保持嵌入(CEGLNPE)算法 |
| 4.3.1 全局结构保持 |
| 4.3.2 局部结构保持 |
| 4.3.3 全局-局部的目标函数 |
| 4.4 基于CEGLNPE的间歇过程故障检测 |
| 4.4.1 滑动数据窗 |
| 4.4.2 算法实现 |
| 4.5 仿真验证与分析 |
| 4.5.1 Swiss-Roll人工数据集 |
| 4.5.2 青霉素发酵仿真过程 |
| 4.6 本章小结 |
| 第5章 基于稀疏子空间聚类的NPE多阶段间歇过程故障检测算法 |
| 5.1 引言 |
| 5.2 稀疏子空间聚类(SSC) |
| 5.3 k-SSC-NPE算法 |
| 5.3.1 NPE中的k近邻 |
| 5.3.2 k近邻约束的SSC算法 |
| 5.4 基于k-SSC-NPE的多阶段间歇过程故障检测算法 |
| 5.4.1 小波变换 |
| 5.4.2 算法实现 |
| 5.5 仿真验证与分析 |
| 5.5.1 青霉素发酵过程阶段划分 |
| 5.5.2 验证与分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
四、基于多元统计投影方法的过程监控技术研究（论文参考文献）
- [1]基于多元统计分析的工业过程故障检测与诊断方法研究[D]. 戴絮年. 沈阳化工大学, 2021(02)
- [2]基于局部算法的多模态工业过程故障检测研究[D]. 王东琴. 沈阳化工大学, 2021(02)
- [3]基于局部费舍尔判别分析的故障诊断方法研究[D]. 刘锋. 大连理工大学, 2021
- [4]基于改进NPE算法的动态间歇过程监控研究[D]. 牟淼. 兰州理工大学, 2021(01)
- [5]鲁棒MPLS建模及其在过程监控中的应用[D]. 朱守博. 江南大学, 2021(01)
- [6]基于慢特征分析的统计过程监控方法研究[D]. 王佳锋. 江南大学, 2021(01)
- [7]行人重识别不变性特征学习[D]. 万超群. 中国科学技术大学, 2021(09)
- [8]数据驱动的流程工业非线性过程监测与故障诊断[D]. 唐鹏. 北京科技大学, 2021(08)
- [9]基于改进判别局部保持投影方法的研究及其工业故障诊断应用[D]. 闫晓娜. 北京化工大学, 2020(02)
- [10]基于邻域保持嵌入算法的间歇过程故障检测研究[D]. 张和慧. 兰州理工大学, 2020(12)